在化工业生产中，蒸馏等热驱动的分离工艺耗能甚至超过了全球总能耗的10%。一直以来，削减工业耗能、减少工业污染始终是全球发展的重要课题，寻找低耗能、清洁环保的生产方式也一直是科研人员探索的方向。
近期，浙江大学杭州国际科创中心（简称科创中心）生物与分子智造研究院邢华斌团队和陈华钧团队瞄准智能分子智造领域开发出专家知识共学习的晶态多孔材料吸附性能端对端深度学习框架DeepSorption，有效提升多孔材料吸附性能的预测精度与速度，并实现了原子尺度的可解释性。目前，相关研究以Direct prediction of gas adsorption via spatial atom interaction learning为题发表在Nature Communications上。
论文的第一作者为浙江大学化学工程与生物工程学院博士生崔稷宇，科创中心生物与分子智造研究院锁显研究员、崔希利研究员为共同作者，通讯作者为科创中心生物与分子智造研究院邢华斌教授和陈华钧教授。
数据驱动精准发现多孔材料的吸附奥秘
信息技术与新材料深度融合，共同推动制造业向高端化发展，这是一场新的科技浪潮。
一直以来，邢华斌教授团队都在努力探寻能够助力二氧化碳捕获、能源气体储存、化工分离等环节的多孔材料的物理吸附技术，寻求更低成本、更节能环保的解决方案，然而，基于trial-and-error实验范式的传统高性能多孔材料的筛选和设计方式往往存在实验时间长、试错成本高等问题。
那么，有没有一种可能，能够摆脱这些桎梏？机器学习给出了答案。
DeepSorption深度学习框架的组成部分及多尺度原子注意力机制介绍
邢华斌教授团队与陈华钧教授团队通力合作，创造性设计并训练了一个内置专家知识共学习模块的空间原子相互作用的学习框架DeepSorption，实现了利用晶态多孔材料的原子坐标和化学元素类型的信息作为输入，结构吸附性能的端对端预测。时间效率高、误差传播少，DeepSorption为快速发现具有所需吸附特性的材料提供了一种有效路径。
DeepSorption在CoREMOF和hMOF数据集上预测性能和对比
数据显示，使用DeepSorption 进行晶态多孔吸附剂的气体吸附曲线预测的精度更高、速度更快。与基于专家信息描述符的机器学习模型和晶体图神经网络 CGCNN 相比，DeepSorption 在多个二氧化碳和氮气的吸附量数据集上预测性能的平均绝对误差下降了 20-35%。
值得一提的是，该框架下的Matformer模型可以高保真地解释多孔材料的整体结构信息，包括原子空间排列和化学元素信息。就像一个为每一粒原子定制了属于自己的“身份证”，实现了对不同尺度原子间相互作用的准确、高效认知以及隐藏在编码层中的潜在原子相互作用的可视化。
团队还采用了专家知识共同学习（knowledge co-learning, KCL）策略促进模型在结构-吸附性能构效关系空间中的收敛，有利于提高吸附性质的预测精度。
交叉创新，探寻高精度预测之路
近年来，随着人工智能技术的发展以及材料计算数据的爆炸式增长，数据和智能驱动的材料研发分析和性质预测已成为材料研究的新手段。
DeepSorption深度学习框架不仅可以实现晶态多孔材料吸附性能的端对端准确预测，还能在原子尺度揭示决定晶体多孔材料表达功能的内在化学性质，有望成为预测其他晶体材料（如钙钛矿和晶态催化剂）物理化学性质的一种基准算法工具。
邢华斌教授介绍道，材料是一个复杂的高维多尺度耦合系统，现有的基础理论还不能准确地描述材料成分—组织/结构—性能—服役行为的构效关系，一些深层次的机理还不清楚，导致材料研发长期基于经验，依靠“试错法”推进。基于人工智能的材料性能表征预测手段快速发展，为高性能材料的定制化筛选和设计提供了无限的可能，推动了材料研发由“经验+试错”的模式向计算驱动模式转变。
在团队看来，人工智能技术改变吸附剂科学的万里长征第一步已经迈出，未来，他们将继续探索人工智能技术在高性能吸附剂材料设计筛选的方法方案和应用场景，推动该技术在吸附剂工业的落地应用。
事实上，交叉创新助力高质量科研成果产出，这样的合作模式在科创中心早已不是首次。聚焦生物智造、功能材料、生命健康等领域，科创中心生物与分子智造研究院合成生物研究所、分子智造研究所、AI交叉中心、智能医药研究所在过去三年先后落成，为科研人员以有组织科研推进原创性、引领性创新奠定基础。“瞄准国家需求解决‘卡脖子’问题，让学科交叉成为创新‘策源地’，这就是我们研究院现在正在推进的。”邢华斌教授说。
